이상 징후 탐지

이상 징후 탐지는 머신 러닝(ML) 에서 대부분의 데이터와 크게 달라서 의심이 가는 드문 항목, 이벤트 또는 관찰 사항을 식별하는 데 사용되는 기술입니다. 이러한 부적합 인스턴스를 이상, 이상값 또는 특이 사항이라고 합니다. 주요 목표는 정상 데이터 포인트와 비정상 데이터 포인트를 자동으로 구별하는 것입니다. 이 기능은 장비 고장, 금융 사기, 보안 침해, 의료 문제와 같은 문제를 사전에 식별할 수 있게 해주므로 다양한 분야에서 매우 중요합니다. 컴퓨터 비전(CV)의 맥락에서 이상 징후 탐지는 이미지와 비디오에서 예상되는 동작과 일치하지 않는 비정상적인 패턴이나 객체를 찾는 것을 포함합니다.

이상 징후 탐지 대 객체 탐지

이상 징후 탐지와 객체 탐지를 구분하는 것이 중요합니다.

• 개체 감지: 이 작업은 이미지 내에서 알려진 객체 클래스의 인스턴스를 식별하고 위치를 찾는 데 중점을 둡니다. 예를 들어, 객체 감지 모델은 스트리트뷰 이미지에서 모든 자동차, 보행자, 교통 표지판을 찾도록 학습됩니다. 이 모델은 학습 데이터에 미리 정의된 카테고리를 기반으로 무엇을 찾고 있는지 알고 있습니다.
• 이상 감지: 이 작업은 학습된 "정상"의 정의에서 벗어나는 모든 것을 식별하는 것입니다. 대부분의 경우 시스템은 이상 징후가 어떤 모습일지 미리 알 수 없습니다. 예를 들어, 수천 장의 완벽한 제품 이미지를 학습한 후 스크래치, 흠집, 변색 등 이전에 본 적이 없는 결함 유형을 찾아내는 작업을 수행할 수 있습니다.

특정 결함을 오브젝트로 취급하여 이상 징후 탐지의 버전을 수행하도록 사용자 정의 학습할 수 있지만, 근본적인 접근 방식은 다릅니다. 기존의 객체 탐지에는 찾아야 하는 모든 클래스의 예제가 필요한 반면, 많은 이상 징후 탐지 방법에는 정상 상태를 나타내는 데이터만 필요합니다.

이상 징후 탐지 방법

이상 징후 탐지 기술은 데이터 세트에 있는 레이블의 가용성에 따라 크게 분류할 수 있습니다:

• 지도 학습: 이 방법에는 '정상' 및 '비정상' 예시로 레이블이 지정된 데이터 세트가 필요합니다. 분류 모델은 이 둘을 구별하도록 훈련됩니다. 이 접근 방식은 매우 효과적이지만 레이블이 잘 지정된 대규모 데이터 세트가 필요하며, 이상 사례는 정의상 드물기 때문에 구하기 어려울 수 있다는 한계가 있습니다.
• 반지도 학습: 가장 일반적인 접근 방식으로, 정상적인 예시로 구성된 데이터 세트에 대해서만 모델을 학습시킵니다. 시스템은 정상 패턴을 학습하고 이 학습된 모델에서 벗어나는 데이터 포인트를 이상 징후로 표시합니다. 이 방법은 이상 징후가 다양하고 예측할 수 없는 시나리오에 매우 실용적입니다.
• 비지도 학습: 이 방법은 레이블 없이 작동합니다. 이상 징후가 적고 정상적인 데이터 포인트와 구별된다는 가정 하에 작동합니다. 클러스터링(예: DBSCAN) 또는 통계적 방법과 같은 알고리즘을 사용하여 데이터 포인트를 그룹화하고, 고립된 포인트 또는 작은 클러스터를 이상 징후로 식별합니다. 다양한 방법에 대한 포괄적인 개요는"이상 징후 탐지를 위한 딥 러닝: 설문조사".

실제 애플리케이션

이상 징후 탐지는 여러 지능형 시스템의 초석으로, 산업 전반에 걸쳐 중요한 인사이트를 제공합니다.

1. 제조 품질 관리: 조립 라인에서 컴퓨터 비전 시스템은 제품을 실시간으로 모니터링할 수 있습니다. 완벽한 제품의 이미지로 학습된 모델은 균열, 정렬 불량, 부품 누락과 같은 결함을 즉시 발견할 수 있습니다. 스마트 제조에서 자주 사용되는 이 자동화된 검사는 수동 검사보다 훨씬 더 효율적으로 품질을 개선하고 낭비를 줄입니다.
2. 보안 및 감시: 공공장소나 보안 시설에서 AI 기반 감시 시스템은 비정상적인 이벤트를 감지할 수 있습니다. 예를 들어, 교통을 위반하여 주행하는 차량을 식별하거나 공항에서 버려진 가방을 감지하거나 제한 구역에 무단으로 접근하는 것을 감지할 수 있습니다. 이러한 시스템은 보안 요원에게 실시간 경고를 제공할 수 있습니다.
3. 의료 분야의 AI: 이상 감지 기능은 스캔에서 잠재적인 암세포를 강조 표시하거나 심전도 데이터에서 불규칙한 심장 박동을 식별하여 의료 이미지 분석에 도움을 줍니다.
4. 금융 사기 탐지: 은행과 금융 기관은 이상 징후 탐지를 사용하여 거래 스트림을 모니터링하고 Kaggle의 신용카드 사기 탐지 데이터 세트와 같은 공개 데이터 세트에서 발견되는 것과 같은 사기 활동을 나타내는 패턴을 식별합니다.
5. 사이버 보안: 네트워크 트래픽을 모니터링하여 사이버 공격이나 데이터 유출의 신호가 될 수 있는 비정상적인 패턴을 감지합니다. 사이버 보안 및 인프라 보안 기관(CISA) 과 같은 조직은 이러한 사전 예방적 조치를 강조합니다.

도구 및 기술

강력한 이상 징후 탐지 시스템을 개발하려면 표준 ML 라이브러리와 전문 플랫폼의 조합이 필요한 경우가 많습니다.

• 프레임워크: PyTorch와 TensorFlow는 맞춤형 딥 러닝 모델을 구축하고 학습하기 위한 기본 도구를 제공합니다.
• 라이브러리: 비비전 작업의 경우, Scikit-learn과 같은 라이브러리는 다양한 알고리즘으로 이상값 및 이상 징후 탐지를 위한 전용 모듈을 제공합니다.
• 플랫폼: Ultralytics HUB는 클라우드 기반 교육부터 다양한 모델 배포 옵션에 이르기까지 전체 모델 수명 주기를 간소화하는 통합 환경을 제공하여 Vision AI 애플리케이션 개발을 간소화합니다.